朱偉 艾懷麗 張桂榮 趙志揚 張晶 梅明濤

中國移動通信集團江蘇有限公司

1 引言

隨著移動推行“四輪驅動”融合發(fā)展戰(zhàn)略，4G發(fā)展一直保持行業(yè)領先，2016年4G用戶數(shù)和4G滲透率達到新高，2017年的目標是4G用戶突破6.3億，VoLTE用戶突破1.5億。VoLTE語音逐步成為用戶通話的最基本選擇。高質量的語音、更快速的接通給用戶帶來更好的體驗的同時，對網(wǎng)絡質量的要求也越來越高。差的VoLTE語音感知往往會引起用戶投訴，一線的優(yōu)化壓力日趨增長。

圖1 移動用戶數(shù)及4G用戶占比圖

針對江蘇多個重點城市VIP投訴詳單抽樣分析，語音質量類問題是影響用戶感知的主要問題，占VoLTE投訴的70%+；其中4G弱覆蓋、干擾等仍是影響用戶感知的主要因素。

目前每天南京的VoLTE高清語音質量通話次數(shù)大約35萬，未來五年隨著VoLTE業(yè)務的建設和深入發(fā)展，VoLTE高清語音將成為主流，預計增長20倍到700+萬通話/天，若VoLTE語音質量問題占投訴的70%，一旦等用戶規(guī)模成倍增長，而VoLTE語音質量問題無法得到有效解決和閉環(huán)，等比20倍的投訴量增加將是災難性的。

圖2 VoLTE問題占比圖

而目前結合現(xiàn)網(wǎng)優(yōu)化經(jīng)驗，傳統(tǒng)的KPI指標在網(wǎng)絡性能較差的情況下能夠反映網(wǎng)絡問題，但是在網(wǎng)絡質量提升到一定水平后根據(jù)KPI指標就很難真實的反映用戶體驗好壞，往往會出現(xiàn)傳統(tǒng)KPI指標非常好的情況下用戶體驗并不好；更進一步的KQI指標有一定改善，但是從VIP投訴分析來看，還是存在MOS值滿足要求，用戶體驗不好的情況。因此，針對傳統(tǒng)KPI指標無法及時發(fā)現(xiàn)VoLTE語音質差并及時解決和閉環(huán)這個難題，需要一種新的方式能夠識別VoLTE語音質量導致的客戶感知差的問題，并能夠推動促進問題高效解決。

2 基于海量數(shù)據(jù)的VoLTE語音感知系統(tǒng)實現(xiàn)原理

傳統(tǒng)的網(wǎng)管指標最小粒度是5min粒度，沒有反映用戶聽不清的指標，且無法表征真實的用戶感知，本課題提出的VoLTE語音感知研究，基于反映用戶聽不清的吞字指標，對話音流進行切片，以5s為粒度進行分析，對比傳統(tǒng)網(wǎng)管的5min粒度指標，解決了問題點因過粗的統(tǒng)計而湮沒在樣本中的問題。

2.1 關聯(lián)原理

從用戶體驗入手，將VoLTE語音質差小區(qū)識別出來，排除終端、用戶故障的干擾，并關聯(lián)已有的無線側其他系統(tǒng)定位的問題，實現(xiàn)自動派單，提供給網(wǎng)優(yōu)部門處理。本研究課題通過三大步實現(xiàn)精準的質差小區(qū)定位。

圖3 VoLTE語音質差小區(qū)原理圖

2.2 第一步：質差用戶如何表征

在3GPP LTE中，VoLTE業(yè)務編碼有AMR-NB窄帶和AMR-WB寬帶兩種編碼，兩種編碼速率具有不同的話音質量，所以又分別稱為VoLTE標清語音（或VoLTE 12.2kbps）和VoLTE高清語音（或VoLTE 23.85kbps）。

AMR-NB和AMR-WB這2種編碼具有如下特點：

每20ms產生一個語音包，包括了RTP/UDP/RLC-Security壓縮頭；每160ms生成一個SID語音靜默包。幀長20ms；普通人講話的語速為每分鐘120至180個漢字左右（新聞聯(lián)播播音員的語速280到300字）。因此，普通人大概1個字占16～25個語音包。

用戶語音質量體驗差總結起來有三種感受：

吞字：感覺對方說話吐字不清，或者漏字。

斷續(xù)：感覺對方說話時斷時續(xù)，有明顯停頓感。

單通：完全無法聽到對方說話。

通過海量數(shù)據(jù)的分析，發(fā)現(xiàn)丟包是影響語音質差的關鍵因素。但是，是否語音質差,不完全取決于整體的丟包數(shù)量和丟包率，而取決于在具體時段的丟包數(shù)量。

經(jīng)過對海量樣本以機器學習算法研究，一般情況下的表現(xiàn)如下：

吞字：連續(xù)20個包，丟12個包。

斷續(xù)：連續(xù)50個包，丟30個包

單通：丟包率大于80%。

其中斷續(xù)、單通是比吞字更加嚴重的情況，吞字是否發(fā)生能夠在一定程度上表征用戶語音質量體驗。下圖是吞字發(fā)生在語音頻譜上的典型體現(xiàn)：

圖4 吞字語音頻譜圖

吞字表征語音質差相比IPMOS的優(yōu)勢：

前期我們用IPMOS來評估語音質量，但是其實通過統(tǒng)計指標加權綜合評分，并不能夠完全表征用戶語音質量感受，通過對從南京市抽取的2348份通話記錄進行對比如下所示，并不是所有IPMOS好的場景都不發(fā)生吞字。

圖5 產生吞字的IPMOS值分布圖

2.3 第二步：問題快速定界

基于用戶、終端、小區(qū)等因素排查

（1）終端因素排查

故障終端按照小區(qū)維度動態(tài)監(jiān)控，通過語音質差小區(qū)信息關聯(lián)其小時維度ToP質差用戶終端型號，一旦出現(xiàn)終端型號集中，應判斷為終端問題。

經(jīng)過大數(shù)據(jù)樣本統(tǒng)計分析，正常情況下終端故障不會大面積集中出現(xiàn)。如下圖7所示，取南京全網(wǎng)1天數(shù)據(jù)，最差的終端故障率僅為2.9%，日常VoLTE語言質差并沒有因終端原因引起的。

圖6 快速定界手段圖

圖7 TOP終端故障率圖

（2）用戶因素排查

為了避免在異常情況下由于某些特定用戶導致的問題出現(xiàn)，質差小區(qū)信息中關聯(lián)該小區(qū)下的故障通話次數(shù)、故障通話用戶數(shù)，一旦出現(xiàn)故障通話用戶數(shù)遠小于故障通話次數(shù)，則判斷為用戶因素，因某些異常用戶導致了大量的故障通話。

經(jīng)過大數(shù)據(jù)樣本統(tǒng)計分析，正常情況下Top質差用戶不足以影響Top質差小區(qū)的識別。

圖8 TOP質差用戶排除圖

（3）切換因素識別

通過大數(shù)據(jù)識別，將一天內數(shù)以千萬計的通話情況、語音質量、切換情況關聯(lián)。

圖9 切換關聯(lián)原理圖

如下所示，識別出在切換情況中出現(xiàn)的語音異常的場景，識別出切換導致的語音質差問題。

圖10 切換中識別出的語音異常的場景圖

2.4 第三步：質差用戶Top小區(qū)識別

基于大數(shù)據(jù)的Kmeans聚類算法將質差用戶按照小區(qū)位置進行聚類，識別出Top質差小區(qū)。

圖11 質差用戶Top小區(qū)圖

3 依托大數(shù)據(jù)手段對語音質差小區(qū)的精準定位和處理

3.1 關聯(lián)無線傳統(tǒng)派單，多維度反映5s質差Top小區(qū)原因

通過統(tǒng)計分析，大概30%的小區(qū)在業(yè)務體驗差的情況下，會在傳統(tǒng)的無線監(jiān)控指標上有體現(xiàn)。因此，通過關聯(lián)傳統(tǒng)的容量不足、覆蓋、干擾等無線指標，從多個維度反映該5s質差Top小區(qū)的原因，避免了傳統(tǒng)派單中僅針對單一指標進行優(yōu)化而導致的資源浪費問題，并能大大提升一線優(yōu)化問題的處理效率。

3.2 根據(jù)大數(shù)據(jù)OTT定位信息，柵格化呈現(xiàn)質差具體位置

由于傳統(tǒng)網(wǎng)優(yōu)手段的限制，若無法用傳統(tǒng)的網(wǎng)絡監(jiān)控KPI指標識別的問題，處理難度大。通過人工拉網(wǎng)排查成本高效率低。

因此，針對70%語音質差識別的無法用傳統(tǒng)保障措施發(fā)現(xiàn)的故障小區(qū)，需要采用新的方法來解決——這就是基于軟采數(shù)據(jù)的大數(shù)據(jù)OTT定位信息，如下圖所示，基于高鐵小區(qū)進行專項試點顯示，通過這個方法能夠精準的識別出現(xiàn)語音質差的具體位置，以及無線相關的具體信息，能夠有的放矢地指導網(wǎng)優(yōu)人員做精準專項優(yōu)化。

圖12 基于大數(shù)據(jù)OTT定位信息的柵格化輔助定位圖

實際數(shù)據(jù)顯示，基于語音質差故障柵格化呈現(xiàn)的方式，精準地完成了語音質差小區(qū)的優(yōu)化。

圖13 質差用戶Top小區(qū)處理效果圖

4 結論

本文針對傳統(tǒng)的無線網(wǎng)絡質量保障無法提升用戶體驗的不足，提出了基于5s切片技術的基于大數(shù)據(jù)的VoLTE語音感知系統(tǒng)。從表征用戶體驗吞字入手，自動實現(xiàn)問題定界，依次分析終端、用戶、切換因素，將VoLTE語音質差小區(qū)精準識別出來。并關聯(lián)已有的無線側其他系統(tǒng)定位的問題，依托OTT定位柵格化信息，實現(xiàn)自動派單，提供給一線現(xiàn)場網(wǎng)優(yōu)處理。目前該系統(tǒng)已在南京上線，質差小區(qū)具有很高的準確性，能夠較精準地完成語音質差小區(qū)的優(yōu)化。該課題對于一線優(yōu)化生產將帶來很大幫助，具有全國推廣的意義。